[发明专利]一种广告转化率预估模型及其训练方法

说明书

本发明涉及一种广告转化率预估模型及其训练方法，预估模型中包括编码网络、预测网络和损失函数计算模块，损失函数计算模块根据预测网络得到的部分预测结果和广告主标签数据计算出具体的损失函数值并加入差分隐私机制；预测网络根据损失函数值更新自身网络。通过训练方法对预估模型进行训练。本发明通过部分预测结果结合广告主的标签数据计算损失函数值来反馈预测网络，广告转化率预测模型可以利用广告主的标签数据，同时也保证了数据隐私，提高预估广告转化率的准确性。

技术领域

本发明涉及通信技术领域，更具体地，涉及一种广告转化率预估模型及其训练方法。

背景技术

转化率预估是在线广告领域十分重要的一项任务，它在实现在线广告精准投放，评估广告投放价值等都具有重要应用，一个准确好用的转化率预估模型对实现广告平台和广告主双赢具有重大意义，其中广告主是指出资投放广告的一方，广告平台是指利用自身平台技术帮助广告主筛选出广告的目标用户的一方。

当广告通过广告平台投放以后，会经历以下流程：首先是用户看到广告，这个过程称为曝光；在曝光以后，用户有可能会点击感兴趣的广告，这一行为称为点击；在点击广告过后，用户有可能会购买广告中的商品，或下载广告中的应用等，这一行为称为转化。预测广告投放以后用户会产生点击行为的概率称为点击率(post-view click through rate，CTR)预估，而预测广告投放以后用户会产生转化行为的概率称为转化率(post-clickconversion rate，CVR)预估。

目前，转化率预估模型的方法通常是沿用点击率预估模型中用到的技术。一种比较简单的传统方法就是把广告特征和用户特征等输入到逻辑回归(Logistic Regression，LR)分类器中，得到用户转化的概率。而随着深度学习的兴起，现今大部分转化率预估方法都是基于神经网络，其中较为经典的是Deep Crossing模型，通过神经网络的编码层，把高维稀疏的特征转化为低维稠密的特征，把得到的特征向量再通过多层神经网络完成特征组合、转换，最终得到转化率的预估值。为了增强特征交叉的作用，PNN(Product-basedNeural Network)在编码层和全连接层之间加入了乘积层，在不同特征域之间进行特征组合。还有许多其他的方法如WideDeep，Deep FM，NFM等方法都是用了不同的方法来做特征交叉，这些方法的总体框架基本都是利用编码层来得到低维稠密的特征向量，再设计一个进行特征交叉的模块，最后输入多层网络当中得到最终结果，这些方法都取得了不错的效果。

然而，这些方法都是假定我们拥有所有的数据，包括相关特征，以及用户是否点击，是否转化的标签数据，没有考虑过这中间存在的数据隐私问题。实际上，用户是否转化这一标签数据通常是被广告主拥有，而不是广告平台，因为用户点击广告后进入的是广告主设定的网页，而在这个网页里进行的操作广告平台是不得而知的。然而，出于对隐私的顾虑，广告主并不一定愿意提供他们拥有的转化标签数据，因为这包含着他们的客户有哪些人这样的信息，因此现有的广告转化率预估模型难以准确预测广告的转化率，准确率难以提升。

发明内容

本发明为克服上述现有技术中广告转化率预估模型没有加入广告主转化标签数据导致准确率不高的问题，提供一种广告转化率预估模型及其训练方法，能够在获得广告主转化标签数据且不会发生数据泄漏，使得预估模型能够加入广告主转化标签数据，提高转化率预估的准确率。

为解决上述技术问题，本发明采用的技术方案是：提供一种广告转化率预估模型：包括编码网络、预测网络和损失函数计算模块，预测网络输入编码网络得到的整体特征向量后输出预测结果，损失函数计算模块根据预测网络得到的部分预测结果和广告主标签数据计算出具体的损失函数值；所述预测网络根据所述损失函数值更新自身网络；损失函数值的具体计算公式为：

loss＝-(y*log(p)+(1-y)*log(1-p))

其中，p为预测结果的概率值；y为其对应的转化标签值。